一种热网动态状态估计方法及装置

本发明属于综合能源系统的运行和控制，具体涉及一种热网动态状态估计方法及装置。

背景技术：

1、综合能源系统能够跳出单一能源，站在更高层次上对多种能源进行协调优化，在提高能源的梯级使用效率的同时满足日益增长的用能需求。为了保证综合能源系统的安全、可靠、优质、经济运行，需要建立对其进行统一管理和科学调度的综合能量管理系统。综合能量管理系统的运行依赖于对综合能源系统的全面、实时的精确感知，所以需要引入综合能源系统状态估计。综合能源系统状态估计对原始量测数据进行滤波，剔除量测数据中的坏数据，从而为综合能量管理系统提供可信的熟数据，为多能流的统一管理和科学调度提供基础。

2、热网是综合能源系统的重要组成部分，其作为一个偏微分方程描述的慢动态系统，存在着参数不准确、量测不完备等问题。已有的热网动态状态估计方法往往使用差分法处理偏微分方程描述的动态特性，但是实际应用中使用的较大的差分步长将会产生较大的截断误差，从而影响热网状态估计结果的精确性。

技术实现思路

1、本发明的目的是为克服已有技术的不足之处，提出一种热网动态状态估计方法及装置。本发明可以实现更精确的热网动态状态估计，准确感知热网的管道内部温度变化情况，便于热网的实时状态感知以及灵活性计算，为热网的优化调度提供了准确的数据基础。

2、本发明第一方面实施例提出一种热网动态状态估计方法，包括：

3、获取热网系统中每个管道的参数，包括：管道横截面积、管道长度和管道散热系数；

4、构建每个管道对应的基于物理信息神经网络的热网动态状态估计模型；

5、获取当前时间窗的所述热网系统的量测结果，包括：各管道的流量、所述热网系统各节点的温度量测、换热站热功率量测；

6、基于所述参数和所述量测结果，根据预设的训练方式对所述每个管道对应的热网动态状态估计模型进行训练，得到当前时间窗训练完毕的所述热网动态状态估计模型；其中，若任一汇流节点存在量测，则所有输入所述汇流节点的管道对应的所述热网动态状态估计模型进行联合训练；若任一管道不存在对应的汇流节点或所述管道对应汇流节点没有量测，则所述管道对应的所述热网动态状态估计模型进行单独训练；

7、利用所述训练完毕的所述热网动态状态估计模型对所述热网系统的各管道进行当前时间窗的状态估计。

8、在本发明的一个具体实施例中，所述方法还包括：

9、将连接供水网络和回水网络的热源和换热站作为所述热网系统的等效管道，将其他管道作为普通管道。

10、在本发明的一个具体实施例中，所述热网动态状态估计模型包含依次连接的输入层、隐藏层和输出层；其中，所述输入层有两个神经元，分别对应管道的时间和空间坐标；在普通管道对应所述热网动态状态估计模型中包含3个隐藏层，每层包含12个神经元；在等效管道对应所述热网动态状态估计模型中包含1个隐藏层，该隐藏层包含8个神经元；所述输出层包含1个神经元，对应该管道在对应时间及空间坐标下的温度估计结果。

11、在本发明的一个具体实施例中，所述单独训练的损失函数表达式如下：

12、ls＝μu,slu,s+μf,slf,s+μh,slh,s

13、式中，下标s代表single，即单独训练；ls为单独训练的热网动态状态估计模型的总的损失函数；lu,s为单独训练的热网动态状态估计模型的边值条件损失项；lf,s为单独训练的热网动态状态估计模型的偏微分方程pde损失项；lh,s为单独训练的热网动态状态估计模型的温度差量测损失项；μu,s、μf,s、μh,s分别为lu,s、lf,s、lh,s对应的权重系数，均大于等于0；

14、其中，lu,s的计算表达式如下：

15、

16、式中，nu,s为单独训练的热网动态状态估计模型用于计算边值条件损失项量测数；u(t,x)代表所有管道对应的热网动态状态估计模型的函数表达式，包含普通管道对应的热网动态状态估计模型的函数表达式uc(t,x)和等效管道对应的热网动态状态估计模型的函数表达式ue(t,x)，t表示时间，x表示空间坐标；为单独训练的热网动态状态估计模型的边值条件损失项量测，其中及分别为单独训练的热网动态状态估计模型的第i个边值条件损失项量测的时间坐标、空间坐标和量测数值；

17、lf,s的计算表达式如下：

18、

19、式中，nf,s为单独训练的热网动态状态估计模型用于计算pde损失项配置点数；和分别为单独训练的热网动态状态估计模型的f(t,x)的第i个pde约束配置点的时间和空间坐标，均匀分布在x∈[0,d],t∈[0,tw]的时空范围内，其中d为对应管道长度，tw为时间窗窗宽；

20、f(t,x)为热网动态状态估计模型用于近似pde时产生的失配量，表达式如下：

21、

22、式中，c为水的比热；ρ为水的密度；a为管道横截面积；m为管道流量；t(t,x)为管道x位置处在t时刻的净温度，表示水温与环境温度差值；μ为管道散热系数；

23、lh,s的计算表达式如下：

24、

25、式中，nh,s为单独训练的热网动态状态估计模型用于计算温度差量测损失项量测数；为单独训练的热网动态状态估计模型的热功率的第i个量测时刻时间坐标；φ(t)为t时刻的温度差量测。

26、在本发明的一个具体实施例中，所述联合训练的损失函数表达式如下：

27、

28、式中，下标m代表multiple，即联合训练；lm为进行联合训练的热网动态状态估计模型的总的损失函数；为联合训练中第p个管道的热网动态状态估计模型的边值条件损失项；为联合训练中第p个管道的热网动态状态估计模型的pde损失项；为联合训练中第p个管道的热网动态状态估计模型的温度差量测损失项；lk,m为进行联合训练的热网动态状态估计模型的汇流方程损失项；μk,m分别为lk,m对应的权重系数，均大于等于0；表示所有流入汇流节点n的管道集合；

29、其中，将任意一个管道的记为联合训练的边值条件损失项lu,m，计算表达式如下：

30、

31、式中，nu,m为联合训练中该管道的热网动态状态估计模型的用于计算边值条件损失项量测数；为联合训练中该管道的热网动态状态估计模型的边值条件损失项量测，其中及分别为联合训练中该管道的热网动态状态估计模型的第i个边值条件损失项量测的时间坐标、空间坐标和量测数值；

32、将任意一个管道的记为联合训练的pde损失项lf,m，计算表达式如下：

33、

34、式中，nf,m为联合训练中该管道的热网动态状态估计模型的用于计算pde损失项配置点数；和分别为联合训练中该管道的热网动态状态估计模型的f(t,x)的第i个pde约束配置点的时间和空间坐标，均匀分布在x∈[0,d],t∈[0,tw]的时空范围内；

35、将任意一个管道的记为联合训练的温度差量测损失项lh,m，计算表达式如下：

36、

37、式中，nh,m为联合训练中该管道的热网动态状态估计模型的用于计算温度差量测损失项量测数；为联合训练中该管道的热网动态状态估计模型的热功率的第i个量测时刻时间坐标；

38、lk,m的计算表达式如下：

39、

40、式中，nk为用于汇流方程损失项量测数；mp为第p个管道对应流量；dp为第p个管道对应长度；ti为汇流节点温度量测的第i个时间标度；tn(t)为汇流节点n在t时刻的温度量测。

41、在本发明的一个具体实施例中，所述方法还包括：

42、对所述热网动态状态估计模型进行训练时，初始时间窗的训练开始时对所述热网动态状态估计模型的参数进行随机初始化，之后的每个时间窗的训练开始时所述热网动态状态估计模型的参数初值使用前一个时间窗训练完毕的模型的参数。

43、在本发明的一个具体实施例中，所述利用所述训练完毕的所述热网动态状态估计模型对所述热网系统的各管道进行当前时间窗的状态估计，包括：

44、向任一管道训练完毕的所述热网动态状态估计模型输入该管道在当前时间窗下的任一时间和空间坐标(t,x)，所述模型输出该管道在t时刻x位置的温度估计结果，以得到该管道在当前时间窗的温度分布即为该管道的状态估计结果。

45、本发明第二方面实施例提出一种热网动态状态估计装置，包括：

46、参数获取模块，用于获取热网系统中每个管道的参数，包括：管道横截面积、管道长度和管道散热系数；

47、估计模型构建模块，用于构建每个管道对应的基于物理信息神经网络的热网动态状态估计模型；

48、量测获取模块，用于获取当前时间窗的所述热网系统的量测结果，包括：各管道的流量、所述热网系统各节点的温度量测、换热站热功率量测；

49、模型训练模块，用于基于所述参数和所述量测结果，根据预设的训练方式对所述每个管道对应的热网动态状态估计模型进行训练，得到当前时间窗训练完毕的所述热网动态状态估计模型；其中，若任一汇流节点存在量测，则所有输入所述汇流节点的管道对应的所述热网动态状态估计模型进行联合训练；若任一管道不存在对应的汇流节点或所述管道对应汇流节点没有量测，则所述管道对应的所述热网动态状态估计模型进行单独训练；

50、状态估计模块，用于利用所述训练完毕的所述热网动态状态估计模型对所述热网系统的各管道进行当前时间窗的状态估计。

51、本发明第三方面实施例提出一种电子设备，包括：

52、至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；

53、其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述一种热网动态状态估计方法。

54、本发明第四方面实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述一种热网动态状态估计方法。

55、本发明的特点及有益效果在于：

56、本发明通过构建基于pinns的热网动态状态估计模型，将带偏微分方程(pde,partial differential equation)约束的优化问题的求解转化为了神经网络的训练问题。神经网络的训练过程避免了对pde的简化，能够得到更精确的结果。同时本发明通过滚动时域热网动态状态估计实现了相邻时间窗的内部变量初值和神经网络参数的信息传递，使基于pinns的热网动态状态估计模型能够应用于在线实时估计，动态追踪热网状态量的变化。

57、本发明可以应用于实时热网动态状态估计中，以实现更精确的热网动态状态估计，准确感知管道内部温度变化情况，便于热网的实时状态感知以及灵活性计算，为热网的优化调度提供了数据基础。